Значимость анализа выживаемости в задачах медицинского характера привела к развитию множества подходов к моделированию функции выживаемости. Модели, построенные с помощью различных методов машинного обучения, имеют сильные и слабые стороны с точки зрения различительной производительности и возможностей калибровки, но ни одна модель не является лучшей для всех наборов данных или даже для всех временных горизонтов в пределах одного набора данных. Актуальность исследования обусловлена тем, что не всегда базовые модели и ансамблевые подходы позволяют построить хорошую модель выживаемости для разных временных горизонтов. В связи с этим, данная статья направлена на описание применения нового подхода, который объединяет различные базовые модели для создания достоверной функции выживаемости, которая предоставляет возможности для настройки и имеет хорошие дискриминантные характеристики в различных временных горизонтах. В ходе исследования было рассмотрено шесть базовых моделей анализа выживаемости после инфаркта миокарда: непараметрические методы (модель пропорциональных рисков Кокса, модель пропорциональных рисков Кокса с использованием гребневой регрессии), параметрические модели (логистическая модель нормального распределения, логистическая модель экспоненциального распределения, метода распределения Вейбулла) и ансамблевая модель (случайный лес). Ведущим подходом к решению данной проблемы является применение усовершенствованного метода – временного квилтинга. В статье показано сравнение данного подхода с базовыми относительно точности и оценки калибровки модели. По результатам исследования выявлено, что наиболее эффективной оказалась модель временного квилтинга, а наименее эффективной – модель случайного леса. Поскольку усовершенствованный подход автоматически находит аппроксимацию наилучшей модели выживания, он дает возможность клиницистам избавиться от траты времени на поиск одной конкретной модели выживания для каждого набора данных и для каждого интересующего временного горизонта.
1. Greg Ridgeway. The state of boosting. Computing Science and Statistics. 1999; 31:172–181.
2. Hosmer DW, Lemeshow S, May S. Applied survival analysis regression modeling of time-to-event data, 2nd ed. Hoboken, NJ: Wiley-Interscience; 2008. 2006 p.
3. Austin P. Generating survival times to simulate cox proportional hazards models with time-varying covariates. Statistics in medicine. 2012; 31(29):3946–3958.DOI: 10.1002/sim.5452
4. Katzman J., Shaham U., Bates J. Deep survival: A deep cox proportional hazards network. BMC Medical Research Methodology. 2016;18(24):1–15.DOI: 10.1186/s12874-018-0482-1
5. Ahmed M., Mihaela van der Schaar. Deep multi-task gaussian processes for survival analysis with competing risks. In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17). Curran Associates Inc., Red Hook, NY, USA;2017: 2326–2334.
6. Bellot A., Mihaela van der Schaar. Boosted trees for risk prognosis. In Proceedings of the 3st Machine Learning for Healthcare Conference (MLHC 2018). 2018; PMLR (85):2–16.
7. Taser PY. Application of Bagging and Boosting Approaches Using Decision Tree-Based Algorithms in Diabetes Risk Prediction. Proceedings. 2021;74(1):6. DOI: 10.3390/proceedings2021074006
8. Lee C, Zame W, Yoon J, van der Schaar M. DeepHit: A Deep Learning Approach to Survival Analysis With Competing Risks. 2018; 32(1). Режим доступа: https://ojs.aaai.org/index.php/AAAI/article/view/11842 (дата обращения: 01.10.2021).
9. Spooner A., Chen E., Sowmya A. A comparison of machine learning methods for survival analysis of high-dimensional clinical data for dementia prediction. Sci Rep 2020;10:20410. DOI: 10.1038/s41598-020-77220-w
10. Firyulina M., Bondarenko Yu., Desyatirikova E. Identification of Risk Factors for Mortality after Myocardial Infarction Using Machine Learning Methods. Proc. of 2021 24th International Conference on Soft Computing and Measurements. SCM. 2021. DOI: 10.1109/SCM52931.2021.9507190
11. Lee C., Zame W., Alaa A. Temporal Quilting for Survival Analysis. Proceedings of the Twenty-Second International Conference on Artificial Intelligence and Statistics in Proceedings of Machine Learning Research, PMLR. 2019; 89:596–605.
12. Naeini MP, Cooper GF, Hauskrecht M. Obtaining Well Calibrated Probabilities Using Bayesian Binning. Proc Conf AAAI Artif Intell. 2015; 2015:2901–2907.
13. Guo C., Pleiss G., Kilian Q. On calibration of modern neural networks. In Proceedings of the 34th International Conference on Machine Learning. Weinberger. 2017:1321–1330.
14. Niculescu-Mizil, Alexandru & Caruana, Rich. (2005). Predicting good probabilities with supervised learning. ICML 2005 - Proceedings of the 22nd International Conference on Machine Learning. 2005:625–632. DOI:10.1145/1102351.1102430.
15. Merkle, Edgar & Hartman, R. Weighted Brier score decompositions for topically heterogenous forecasting tournaments. Judgment and Decision Making. 2018;13(2):185–201.
16. Firyulina M.A., Kashirina I.L. Classification of cardiac arrhythmia using machine learning techniques. Journal of physics: Applied Mathematics, Computational Science and Mechanics: Current Problems. 2019:167–1175.
17. Kashirina I., Firyulina M. Building models for predicting mortality after myocardial infarction in conditions of unbalanced classes, including the influence of weather conditions. CEUR Workshop Proceedings. 2020;2790:188–197
18. Jasper S., Larochelle H., Adams R. Practical Bayesian Optimization of Machine Learning Algorithms. Curran Associates, Inc.; 2012. 25 p.
19. Feurer M., Hutter F. Automated Machine Learning. Cham, The Springer Series on Challenges in Machine Learning; 2019. 223 p.
20. Hutter F., Hoos H., Leyton-Brown K. Sequential Model-Based Optimization for General Algorithm Configuration. Lecture Notes in Computer Science. 2011;6683:507–523. DOI:10.1007/978-3-642-25566-3_40
21. Thornton C., Hutter F., Hoos H. Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms. Knowledge Discovery and Data Mining. 2013;6683:847–855. DOI:10.1145/2487575.2487629
